PEMBANGUNAN DATA SIG (DATA INPUT) KLASIFIKASI DATA CITRA - Visual - Digital - Tidak terbimbing - Terbimbing
VISUAL Element Order 1 Tone : Variasi kedalaman warna obyek dari hitam ke putih yang dapat dibedakan Colour : Warna obyek
Elemen Order 2: Geometric Arrangement VISUAL Elemen Order 2: Geometric Arrangement Size – untuk menentukan obyek berdasarkan ukuran Sifatnya adalah relatif Shape – untuk membantu menentukan obyek berdasarkan bentuk man made – cenderung garis lurus natural – cenderung tidak beaturan
Elements Orde 2 Spatial Arrangement VISUAL Elements Orde 2 Spatial Arrangement Texture – frekuensi perubahan dan susunan dari tone Pengamatan visual kehalusan/kekasaran (smoothness or roughness) Misal Air : biasanya halus, Alang-alang : medium texture, and Hutan alam dataran rendah: kasar Selalu ada pengecualian Pattern - arrangement spasial dari objects Linear untuk jalan, sungai dll
Element order 3 Locational or Positional VISUAL Element order 3 Locational or Positional Site – bagaimana obyek berada pada suatau tempat aspect, topography, geology, soil, vegetation and cultural features Association – obyek biasanya berasosiasi engan obyek yang lain. Sangat membantu dalam interpretasi mand made obyek
Elements Order 3 Interpreted VISUAL Elements Order 3 Interpreted Height – menjelaskan detail dari obyek Tinggi pohon/bangunan Shadow – mungkin membantu/mengganggu interpretasi Identifikasi dapat ditingkatkan dengan informasi bayangan
Examples Dimana Mangrove ? Dimana Hutan dataran rendah ? Dimana Perkebunan ? Dimana Lahan terbuka ? Dimana Sungai ? Dimana Jalan ? Dimana Awan ? Dimana Bayangan awan ? Dimana Tamnak ? Dimana Semak belukar ?
ANALISIS DIGITAL Distribusi Nilai DN Pengelompokan Nilai DN Minimum Distance Parallelepiped Classification Stepped Parallelepiped Probability Density Functions Equiprobability Contours
REFLECTANCE CURVE
BAND 4 BAND 3
BAND 4 BAND 3
Minimum Distance To Means Classification Stategy
Parallelepiped Classification Strategy
Stepped Parallelepiped Strategy
Probability Density Functions Defined by Maximum Likelihood Classifier
Equiprobability Contours Defined by a Maximum Likelihood Classification
Klasifikasi Tidak Terbimbing Mengelompokan Nilai DN Berdasarakan Minimum Distance, tanpa campur tangan operator Tetap perlu pemahaman lapang untuk reklasifikasi
Klasifikasi Tidak Terbimbing
Klasifikasi Terbimbing Mengelompokan Nilai DN Berdasarakan Minimum Distance, dengan arahan operator Menentukan rule/aturan pengelompokan Menentukan training area Klasifikasi Pengelompokan Ulang Uji akurasi
Training Area
Klasifikasi Terbimbing